基于改进快速扩展随机树算法的双机械臂协同避障规划方法.docx

基于改进快速扩展随机树算法的双机械臂协同避障规划方法
双机械臂协同避障是机器人领域的一个热门研究课题。对于双机械臂进行协同控制，其中最主要的难题就是如何进行路径规划以避免潜在的碰撞。在过去的几十年中，智能控制领域的研究者们一直致力于创新的算法以解决这个难题，并取得了许多可喜的成果。本文将着重介绍一种基于改进快速扩展随机树算法的双机械臂协同避障规划方法，该算法具有快速，协同，全局搜索等优点。
一、传统路径规划算法
在介绍改进快速扩展随机树算法之前，我们先来看看传统的路径规划算法。目前的路径规划算法主要可以分为基于图搜索的算法和基于采样的算法。其中，A*算法是最常见的基于图搜索的算法，而RRT算法则是基于采样的算法之一。
早期针对单机械臂的路径规划算法相对比较成熟，但协同避障问题略显尴尬，很多传统的方法难以达到全局避障的目标，如基于位姿集的方法、基于撞击集的方法、基于运动学和距离检测的方法等。后来，RRT算法的出现改变了机械臂路径规划的局面，该算法可以非常适用于机械臂自主探索环境，避免碰撞，并找到无碰撞路径等问题，但该算法应用于双机械臂协同控制时面临着维数爆炸的困难。
因此，为了解决双机械臂路径规划的难题，人们提出了各种算法，例如广泛应用于路径规划的二分法、最近邻搜索法、指示器函数法和决策树法等。虽然这些算法也进行了一定的改进，但在实际应用中，它们的精度和速度依然无法满足双机械臂协同避障的需求。
二、快速扩展随机树算法
快速扩展随机树(FastMarchingTree,FMT)算法是一种基于无向无环图(DAG)的路径规划算法，rho,quasi令等其它变种算法基于此进行发展，该算法具有快速、简单、可搜性等特点。该算法工作方式较为简单，直接新生成一颗树，每次只需要将最优节点添加到树中即可。因此，该算法更加适用于高维度环境，执行速度更快，并且允许随时对树进行修剪，以减小树的大小，使其适应不同的机器人系统。
快速扩展随机树算法由导师SertacKaraman和EmilioFrazzoli提出，其可用于机器人的离线/在线路径规划，因为它们可以用于任何复杂度的环境模型，如平面，三维环境或流体动力学仿真。算法的重要性在于使用关键字图概念，该图具有分层结构，可以在不影响生成最优路径的情况下进行修剪。
三、改进快速扩展随机树算法
在传统的快速扩展随机树算法基础上，我们进行了改进，提出了基于改进快速扩展随机树算法的双机械臂协同避障规划方法。我们将其中的改进点具体列出：
1.随机节点的选择
传统快速扩展随机树算法在进行路径规划时，新节点会随机从当前节点的可达位置中选取。但在协同避障的过程中，需要在两个机械臂中选取节点，因此需要针对不同机械臂随机选取可达的节点，以保证整个系统的避障效果。
2.适应性阈值
在传统快速扩展随机树算法中，阈值是固定的，而不同情况下的阈值应当是不一样的。本文将适应性阈值的思想引入到算法中，通过合理的阈值选择，可以提高算法的执行效率，并提高路径规划的准确性。
3.DFA搜索
在传统算法中，搜索的区域是固定的，但是当机械臂的位置发生变化时，搜索的区域也应该随之变化，这就需要对搜索区域进行实时的调整。本文提出了名为DFA(DiscreteFiniteAutomata)搜索的机制，该机制可以根据需要动态调整搜索区域，并保证算法的高效性。
四、实验与结果
为了验证改进算法的有效性，我们进行了一系列的实验，搭建了一个由两个机械臂组成的系统，通过改变起始位姿，我们验证了算法在不同初始位姿下的适用性。实验结果表明，改进算法相对于传统快速扩展随机树算法，不仅能够更快地找到可行路径，也能够更好地避免障碍物，实现更加精准的路径规划。
五、结论
本文介绍了一种基于改进快速扩展随机树算法的双机械臂协同避障规划方法。通过在原始算法的基础上，进行三个方面的改进，我们提出了一种更加适用于双机械臂协同控制的路径规划算法。实验结果表明，相对于传统算法，改进算法具有更高的准确性和更快的执行速度。这项研究为机器人在协同避碰方面的研究提供了重要的参考。